Post on 21-Jan-2020
IMPLEMENTASI PENGKLASIFIKASI SEGMEN VASKULAR RETINA MATA DENGAN METODE
M-MEDIODS MULTIVARIAT (Kata kunci: klasifikasi, m-Mediods multivariat, segmentasi, vaskular retina)
PRESENTASI TUGAS AKHIR – KI091391
Penyusun Tugas Akhir :
Wilda Imama Sabilla
(NRP : 5110.100.212)
Dosen Pembimbing :
Dr. Chastine Fatichah, S.Kom, M.Kom.
Rully Soelaiman, S.Kom., M.Kom.
10 Juli 2014 Tugas Akhir – KI091391 1
AGENDA
Pendahuluan Perancangan
Perangkat Lunak
Uji Coba Kesimpulan
Saran
10 Juli 2014 Tugas Akhir – KI091391 2
Pendahuluan Perancangan
Perangkat Lunak
Uji Coba Kesimpulan
Saran
10 Juli 2014 Tugas Akhir – KI091391 3
Latar Belakang
10 Juli 2014 Tugas Akhir – KI091391 4
NEOVASKULARISASI Pembuluh darah tipis, lemah, mudah pecah
AKURAT DETEKSI
OTOMATIS
Rumusan Masalah
Memahami konsep praproses dan segmentasi untuk menghasilkan citra segmentasi vaskular retina.
Memahami konsep ekstraksi fitur pada vaskular retina.
Memahami konsep m-Mediods multivariat sebagai metode pengklasifikasi.
Merancang sistem yang dapat melakukan segmentasi dan ekstraksi fitur, serta klasifikasi dengan metode m-Mediods multivariat.
Mengimplementasikan sistem yang telah dirancang pada segmen vaskular retina mata.
Menyusun uji coba segmentasi serta uji coba pengklasifikasi segmen vaskular retina mata menggunakan metode m-Mediods multivariat.
10 Juli 2014 Tugas Akhir – KI091391 5
Batasan Masalah
10 Juli 2014
Data yang digunakan untuk uji segmentasi pembuluh darah adalah data citra retina dari basis data DRIVE. http://www.isi.uu.nl/Research/Databases/DRIVE/
Data yang digunakan untuk data latih dan data uji klasifikasi segmen vaskular berupa citra retina dari basis data STARE. http://www.ces.clemson.edu/~ahoover/stare/.
Segmen vaskular retina mata diklasifikasikan ke dalam dua kelas, yaitu segmen vaskular normal dan segmen vaskular abnormal.
Implementasi menggunakan perangkat lunak MATLAB R2013a.
Tugas Akhir – KI091391 6
Tujuan
Mengetahui penerapan konsep praproses dan segmentasi untuk menghasilkan citra segmentasi vaskular retina.
Mengetahui penerapan konsep ekstraksi fitur pada vaskular retina.
Mengetahui penerapan konsep m-Mediods multivariat sebagai metode pengklasifikasi.
Menghasilkan rancangan sistem yang dapat melakukan segmentasi dan ekstraksi segmen vaskular, serta klasifikasi dengan metode m-Mediods multivariat.
Mengimplementasikan rancangan sistem pada segmen vaskular retina mata.
Mengevaluasi kinerja metode segmentasi dan ekstraksi fitur vaskular retina, serta pengklasifikasi m-Mediods multivariat pada segmen vaskular retina mata dengan melakukan uji coba.
10 Juli 2014 Tugas Akhir – KI091391 7
Manfaat
10 Juli 2014 Tugas Akhir – KI091391 8
Mempermudah dan mempercepat proses klasifikasi segmen vaskular retina normal dan abnormal secara otomatis, dan mengurangi tingkat kesalahan dalam klasifikasi sehingga hasil yang diperoleh lebih akurat daripada proses manual.
Pendahuluan Perancangan
Perangkat Lunak
Uji Coba Kesimpulan
Saran
10 Juli 2014 Tugas Akhir – KI091391 9
Perancangan Perangkat Lunak
Perancangan akan dibagi menjadi tiga proses utama.
10 Juli 2014 Tugas Akhir – KI091391 10
Thresholding
Shrinking
Isotropic Undecimated Wavelet Transform
Thresholding
Cleaning
Area
Energy
Vektor Fitur
Mean Gradient
Standard Deviation Gradient
Intensity Variation
Mean Intensity
Vessel Segment
Local Fisher Discriminant Analysis
Learning Vector Quantization
Hasil Klasifikasi
Praproses dan
Segmentasi Ekstraksi Fitur
Klasifikasi
Praproses dan Segmentasi
10 Juli 2014 Tugas Akhir – KI091391 11
Citra awal
Masking
Thresholding
Shrinking
Segmentasi
Isotropic Undecimated Wavelet Transform
Thresholding
Cleaning
Citra hasil praproses dan segmentasi
Tahap praproses
Tahap segmentasi
Masking
Input dari proses masking adalah citra retina dalam format RGB.
Beberapa citra memiliki kualitas yang kurang baik karena sulit dibedakan antara foreground dan background.
Masking adalah melakukan segmentasi pada citra sehingga terjadi pemisahan antara objek (foreground) dan latar belakang gambar (background).
Masking
Thresholding
Shrinking
Tahap praproses
10 Juli 2014 Tugas Akhir – KI091391 12
Thresholding
Ubah citra RGB citra grayscale.
Tentukan nilai threshold antara 0 s/d 1.
Untuk citra dari basis data DRIVE dan STARE, threshold yang digunakan antara 0.1 s/d 0.23.
Intensitas piksel < threshold latar belakang
gambar (hitam).
Intensitas piksel > threshold objek retina
(putih).
Thresholding
Shrinking
Tahap praproses
Masking
10 Juli 2014 Tugas Akhir – KI091391 13
Shrinking
Merupakan penyusutan citra biner guna memperbaiki FOV (field of view).
Shrinking dilakukan dengan operasi morfologi erosi.
Memeriksa citra biner A yang bentuk lain yaitu B.
Erosi A oleh B menghasilkan kedudukan dari titik-titik yang dicapai oleh pusat B ketika B bergerak dalam A.
Shrinking
Tahap praproses
Masking
Thresholding
10 Juli 2014 Tugas Akhir – KI091391 14
Segmentasi
Klasifikasi segmen vaskular hanya menggunakan bagian pembuluh darah tanpa menggunakan bagian lain pada retina.
Segmentasi akan mengekstrak bagian pembuluh darah dari citra retina keseluruhan.
Segmentasi ini memudahkan penilaian karakteristik pembuluh darah yang dibutuhkan pada proses klasifikasi.
Segmentasi
Isotropic Undecimated Wavelet Transform
Thresholding
Cleaning
Tahap segmentasi
10 Juli 2014 Tugas Akhir – KI091391 15
Isotropic Undecimated Wavelet Transform
Isotropic Undecimated Wavelet Transform (IUWT) mempertahankan konstruksi filter bank pada bi-orthogonal wavelet transform (DWT) dengan mengeliminasi tahap penipisan (decimation).
Kebutuhan yang harus dipenuhi untuk menghasilkan analisis yang baik dengan IUWT:
Filter yang digunakan harus simetrik
Pada dua dimensi ataupun dimensi yang lebih tinggi, filter, fungsi scaling, dan fungsi wavelet harus mendekati isotropik.
Ditentukan pula level wavelet, untuk citra dari basis data DRIVE dan STARE, level wavelet yang digunakan adalah 2 dan 3.
Isotropic Undecimated Wavelet Transform
Thresholding
Cleaning
Tahap segmentasi
Segmentasi
10 Juli 2014 Tugas Akhir – KI091391 16
Isotropic Undecimated Wavelet Transform
Masukan untuk tahap ini berupa citra grayscale retina dan citra hasil masking.
IUWT dapat menghasilkan citra keabuan yang memperjelas bagian citra yang berupa garis yaitu bagian pembuluh darah.
Isotropic Undecimated Wavelet Transform
Thresholding
Cleaning
Tahap segmentasi
Segmentasi
10 Juli 2014 Tugas Akhir – KI091391 17
Thresholding
Tentukan threshold, yaitu prosentase piksel yang dianggap sebagai segmen vaskular.
Untuk citra dari basis data DRIVE dan STARE, threshold yang digunakan adalah 20%.
Tentukan apakah piksel vaskular dari citra hasil wavelet lebih gelap dibandingkan piksel lain.
Jika lebih gelap: piksel dengan intensitas rendah segmen vaskular (putih).
Jika lebih terang: piksel dengan intensitas tinggi segmen vaskular (putih).
Thresholding
Cleaning
Tahap segmentasi
Segmentasi
Isotropic Undecimated Wavelet Transform
10 Juli 2014 Tugas Akhir – KI091391 18
Cleaning
Cleaning menyisakan objek-objek yang dengan menghapus objek kecil dan mengisi lubang kecil.
Tentukan min_object_size dan min_holes_size, untuk citra dari basis data DRIVE dan STARE, min_object_size = min_holes_size = 0.05% dari jumlah piksel.
Jika luas area objek < min_object_size maka
hapus objek.
Jika luas area lubang < min_holes_size, ubah
sebagai objek vaskular.
Cleaning
Tahap segmentasi
Segmentasi
Isotropic Undecimated Wavelet Transform
Thresholding
10 Juli 2014 Tugas Akhir – KI091391 19
Ekstraksi Fitur
10 Juli 2014 Tugas Akhir – KI091391 20
Vektor fitur 𝜒 adalah representasi segmen kandidat 𝑣 dan 𝑣 adalah kumpulan dari berbagai fitur 𝑥.
𝜒 = 𝑣1, 𝑣2, 𝑣3, … , 𝑣𝑘
𝑣 = 𝑥1, 𝑥2, 𝑥3, … , 𝑥𝑚
Citra Segmentasi
Ekstraksi Fitur
Area
Energy Vektor Fitur
Mean Gradient
Standard Deviation Gradient
Intensity Variation
Mean Intensity
Vessel Segment
Klasifikasi Segmen Vaskular
Menggunakan metode m-Mediods Multivariat
10 Juli 2014 Tugas Akhir – KI091391 21
Local Fisher Discriminant Analysis
Learning Vector Quantization
Vektor Fitur
Perbaikan Ruang Fitur Klasifikasi
Hasil Klasifikasi
Perbaikan Ruang Fitur
Perbaikan representasi ruang fitur dilakukan dengan menggunakan algoritma Local Fisher Discriminant Analysis (LFDA).
LFDA akan melakukan dua hal untuk perbaikan ruang fitur:
Meningkatkan kesamaan / memperkecil jarak antar objek pada kelas yang sama.
Meningkatkan perbedaan / memperbesar jarak antar objek pada kelas yang berbeda.
10 Juli 2014 Tugas Akhir – KI091391 22
Perbaikan Ruang Fitur
Representasi ruang koefisien berdasarkan LFDA dihasilkan dengan melakukan generalisasi dekomposisi nilai eigen
ℵ𝑏𝐸 = 𝜆ℵ𝑤𝐸
dimana 𝜆 adalah generalisasi nilai eigen, ℵ𝑏 adalah scatter matrix between, ℵ𝑏 adalah scatter matrix within dan 𝐸 adalah vektor
eigen.
Dihasilkan vektor fitur yang telah diperbaiki yaitu:
𝐹 = 𝐸1, 𝐸2, … , 𝐸𝑚
dimana 𝐸1, 𝐸2, … , 𝐸𝑚 adalah vektor eigen yang disusun mulai
dari nilai terbesar menuju nilai terkecil (descending) dengan nilai eigen 𝜆1, 𝜆2, … , 𝜆𝑚
10 Juli 2014 Tugas Akhir – KI091391 23
Klasifikasi
Klasifikasi dilakukan dengan metode Learning Vector Quantization (LVQ).
Pemodelan dengan pembuatan sebuah himpunan training yang terdiri dari pasangan vektor training dan target output yang berupa kelas dari objek atau data.
LVQ terdiri atas lapisan kompetitif (hidden layer), dan lapisan linier (output layer).
Lapisan kompetitif akan melakukan pengelompokan data yang memiliki kemiripan dengan menggunakan aturan Kohonen.
Jumlah neuron pada lapisan kompetitif mewakili jumlah sub kelas dari data training, jumlah neuron dapat disebut juga sebagai mediods.
10 Juli 2014 Tugas Akhir – KI091391 24
Pendahuluan Perancangan
Perangkat Lunak
Uji Coba Kesimpulan
Saran
10 Juli 2014 Tugas Akhir – KI091391
Uji Coba
Uji Hasil Segmentasi
Uji Hasil Klasifikasi
Uji Kebenaran Klasifikasi
Berdasarkan Jumlah Dimensi Hasil
Reduksi
Berdasarkan Jumlah Mediods
Berdasarkan Nilai Learning Rate
Uji Waktu Eksekusi
10 Juli 2014 Tugas Akhir – KI091391 26
Uji Hasil Segmentasi
10 Juli 2014
Menggunakan 40 buah citra retina dari basis data DRIVE, berupa citra retina dalam ruang warna RGB serta citra ground truth.
Uji kebenaran citra hasil segmentasi dilakukan dengan evaluasi nilai error.
Error merupakan jumlah piksel dengan nilai berbeda antara piksel pada citra ground truth dan piksel pada citra hasil segmentasi.
Nilai rata-rata error untuk 40 citra berdasarkan citra ground truth adalah 4.96% atau rata-rata akurasi kebenaran segmentasi mendekati 95%.
Tugas Akhir – KI091391
Uji Hasil Klasifikasi
10 Juli 2014
Menggunakan 53 buah citra retina pada basis data STARE, karena hanya 53 data yang memiliki kelas normal dan abnormal.
Menggunakan LFDA sehingga menghasilkan vektor fitur tereduksi dengan jumlah dimensi yaitu 3 dimensi, 4 dimensi, 5 dimensi, dan 6 dimensi.
Menggunakan empat jenis data training :
20 data training optimal
24 data training optimal
20 data training tidak optimal
24 data training tidak optimal.
Data testing pada uji coba ini menggunakan keseluruhan data dari basis data STARE sejumlah 53 data.
Tugas Akhir – KI091391
Uji Hasil Klasifikasi
10 Juli 2014
Data yang digunakan pada uji coba memiliki dua kelas hasil, yaitu kelas normal dan kelas abnormal.
Klasifikasi menggunakan Learning Vector Quantization.
Uji kebenaran dilakukan dengan evaluasi performa menggunakan nilai error.
Error merupakan jumlah data yang mengalami kesalahan klasifikasi.
Agar lebih akurat uji coba dilakukan dengan 20 kali perulangan.
Tugas Akhir – KI091391
Uji Kebenaran Klasifikasi
10 Juli 2014
Menggunakan vektor fitur dengan dimensi hasil reduksi sejumlah 3 dimensi, 12 buah mediods, dan learning rate 0.1.
Dari error terkecil, hasil klasifikasi dari 53 data training adalah sebagai berikut.
Tugas Akhir – KI091391
Nilai Error
Jenis data training 20 data optimal
24 data optimal
20 data tidak optimal
24 data tidak optimal
Minimum 0.0377 0.0377 0.1321 0.1132
Maksimum 0.1509 0.1132 0.2075 0.2075
Rata-rata 0.0868 0.0651 0.1575 0.1566
Varian 0.0010 0.0003 0.0004 0.0007
Standar Deviasi 0.0320 0.0178 0.0206 0.0274
Prediksi Kenyataan
Abnormal Normal Abnormal 17 0 Normal 2 34
Uji Kebenaran Klasifikasi
Aktual : Abnormal Prediksi : Abnormal
Secara visual, data yang terklasifikasi dengan benar dan data yang mengalami kesalahan klasifikasi adalah sebagai berikut.
10 Juli 2014 Tugas Akhir – KI091391 31
Aktual : Abnormal Prediksi : Normal
Aktual : Normal Prediksi : Normal
Berdasarkan Jumlah Dimensi Hasil Reduksi
Menggunakan 24 data training optimal dan 24 data training tidak optimal.
Dengan 12 buah mediods dan learning rate sebesar 0.1.
Dari 24 data training optimal, nilai error yang dihasilkan adalah sebagai berikut.
Nilai Error Jumlah Dimensi Hasil Reduksi
3 dimensi 4 dimensi 5 dimensi 6 dimensi Minimum 0.0377 0.0377 0.0377 0.0377
Maksimum 0.1132 0.1509 0.1321 0.1509 Rata-rata 0.0650 0.0707 0.0839 0.0990
Varian 0.0003 0.0008 0.0008 0.0007
10 Juli 2014 Tugas Akhir – KI091391 32
Berdasarkan Jumlah Dimensi Hasil Reduksi
Menggunakan 24 data training optimal dan 24 data training tidak optimal.
Dengan 12 buah mediods dan learning rate sebesar 0.1.
Dari 24 data training tidak optimal, nilai error yang dihasilkan adalah sebagai berikut.
Nilai Error Jumlah Dimensi Hasil Reduksi
3 dimensi 4 dimensi 5 dimensi 6 dimensi Minimum 0.1132 0.0943 0.0755 0.0755
Maksimum 0.2075 0.2264 0.1509 0.1509 Rata-rata 0.1566 0.1613 0.1226 0.1037
Varian 0.0007 0.0010 0.0005 0.0005
10 Juli 2014 Tugas Akhir – KI091391 33
Berdasarkan Jumlah Mediods
Menggunakan 24 data training optimal dan 24 data training tidak optimal.
Dengan jumlah dimensi hasil reduksi adalah 3 dimensi dan learning rate 0.1.
Dari 24 data training optimal, nilai error yang dihasilkan adalah sebagai berikut.
Nilai Error Jumlah Mediods
6 mediods 8 mediods 10 mediods 12 mediods Minimum 0.0377 0.0377 0.0377 0.0377
Maksimum 0.1321 0.1321 0.1321 0.1132 Rata-rata 0.0669 0.0726 0.0716 0.0651
Varian 0.0011 0.0009 0.0008 0.0003
10 Juli 2014 Tugas Akhir – KI091391 34
Berdasarkan Jumlah Mediods
Menggunakan 24 data training optimal dan 24 data training tidak optimal.
Dengan jumlah dimensi hasil reduksi adalah 3 dimensi dan learning rate 0.1.
Dari 24 data training tidak optimal, nilai error yang dihasilkan adalah sebagai berikut.
Nilai Error Jumlah Mediods
6 mediods 8 mediods 10 mediods 12 mediods Minimum 0.1321 0.1321 0.1321 0.1132
Maksimum 0.1887 0.2075 0.2075 0.2075 Rata-rata 0.1528 0.1678 0.1585 0.1566
Varian 0.0002 0.0004 0.0008 0.0007
10 Juli 2014 Tugas Akhir – KI091391 35
Berdasarkan Nilai Learning Rate
Menggunakan 24 data training optimal dan 24 data training tidak optimal.
Dengan jumlah dimensi hasil reduksi adalah 3 dimensi dan 12 buah mediods, serta perulangan sebanyak 10 kali.
Error minimum dari 24 data training optimal adalah sebagai berikut.
10 Juli 2014 36 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
0.04
0.045
0.05
0.055
0.06
Nilai Error Minimum dari 24 Data Optimal
Learning Rate
Err
or M
inim
um
Berdasarkan Nilai Learning Rate
Menggunakan 24 data training optimal dan 24 data training tidak optimal.
Dengan jumlah dimensi hasil reduksi adalah 3 dimensi dan 12 buah mediods, serta perulangan sebanyak 10 kali.
Error minimum dari 24 data training tidak optimal adalah sebagai berikut.
10 Juli 2014 37 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.10.11
0.115
0.12
0.125
0.13
0.135
0.14Nilai Error Minimum dari 24 Data Tidak Optimal
Learning Rate
Err
or M
inim
um
Uji Waktu Eksekusi
10 Juli 2014
Uji coba ini dilakukan dengan menghitung waktu eksekusi untuk sebuah citra dalam melakukan semua proses dari perangkat lunak.
Bagian proses tersebut adalah praproses dan segmentasi, proses ekstraksi fitur, serta proses klasifikasi.
Tugas Akhir – KI091391
Proses Running Time
(detik)
Praproses 0.37
Segmentasi 3.48
Ekstraksi Fitur 1.02
Perbaikan Fitur 0.06
Training LVQ
Jumlah mediods
6 9.28
8 19.74
10 32.08
12 8.18
Testing 0.01
Jumlah mediods
Running time
6 mediods 14.22
8 mediods 24.68
10 mediods 37.02
12 mediods 13.12
Waktu eksekusi yang dibutuhkan untuk sebuah citra dapat dideteksi sebagai citra normal atau abnormal antara 13 detik hingga 37 detik.
Pendahuluan Perancangan
Perangkat Lunak
Uji Coba Kesimpulan
Saran
10 Juli 2014 Tugas Akhir – KI091391 39
Kesimpulan
Metode praproses dan segmentasi yang digunakan relatif handal.
Terbukti dengan akurasi mendekati 95%.
Metode m-Mediods multivariat dapat melakukan klasifikasi dengan
baik. Akurasi terbaik mencapai 96.2%.
Untuk data training optimal, perubahan nilai dimensi reduksi dan jumlah mediods tidak mempengaruhi akurasi. Metode klasifikasi dianggap relatif handal terhadap perubahan parameter.
Subset dari data training optimal, juga dapat menghasilkan hasil klasifikasi yang baik.
Nilai learning rate berpengaruh terhadap hasil akurasi, learning rate yang baik terdapat pada sekitar nilai 0.1
Waktu eksekusi yang dibutuhkan untuk sebuah citra dapat dideteksi sebagai citra normal atau abnormal antara 13 detik hingga 37 detik.
10 Juli 2014 Tugas Akhir – KI091391 40
Saran
Berdasarkan hasil uji coba, terdapat beberapa data dengan kelas abnormal yang diklasifikasi sebagai data normal. Oleh karena itu dapat dilakukan penambahan fitur yang mampu mengenali segmen vaskular abnormal dengan lebih baik.
Untuk meningkatkan hasil uji coba segmentasi, dapat dilakukan pengembangan metode segmentasi yang digunakan antara lain perbaikan transformasi wavelet.
10 Juli 2014 Tugas Akhir – KI091391 41
TERIMA KASIH
isotropic undecimated wavelet transform
10 Juli 2014
Untuk analisis scaling dan fungsi wavelet digunakan:
Tugas Akhir – KI091391
𝜙1 𝑥 = 1
12𝑥 − 2 3 − 4 𝑥 − 1 3 + 6 𝑥 3 − 4 𝑥 + 1 3 + 𝑥 + 2 3
𝜙 𝑥, 𝑦 = 𝜙1 𝑥 𝜙1 𝑦
1
4𝜓𝑥
2,𝑦
2= 𝜙 𝑥, 𝑦 −
1
4𝜙𝑥
2,𝑦
2
Dimana 𝜙1 𝑥 adalah spline dari order 3, dan fungsi wavelet didefinisikan sebagai perubahan antara dua resolusi. Filter yang berhubungan yakni dan 𝑔 didefinisikan:
(1𝐷) 𝑘 =1,4,6,4,1
16, 𝑘 = −2,… , 2
𝑘, 𝑙 = (1𝐷)[𝑘](1𝐷)[𝑙]
𝑔 𝑘, 𝑙 = 𝛿 𝑘, 𝑙 − [𝑘, 𝑙]
Ekstraksi Fitur
Area jumlah piksel yang merupakan vaskular.
Vaskular normal lebih tebal daripada vaskular abnormal.
AREA
Energy jumlah intensitas dari piksel vaskular
pada green channel.
Vaskular normal cenderung lebih terang dibanding vaskular abnormal pada inverse green channel.
ENERGY
Ekstraksi Fitur
Area
Energy
Mean Gradient
Standard Deviation Gradient
Intensity Variation
Mean Intensity
Vessel Segment
Dihitung dengan gradient magnitude dari intensitas piksel vaskular pada green channel.
𝑚𝑒𝑎𝑛 𝑔𝑟𝑎𝑑𝑖𝑒𝑛𝑡 = 𝑔𝑟𝑎𝑑𝑖𝑒𝑛𝑡 𝑚𝑎𝑔𝑛𝑖𝑡𝑢𝑑𝑒
𝑗𝑢𝑚𝑙𝑎ℎ 𝑝𝑖𝑘𝑠𝑒𝑙 𝑣𝑎𝑠𝑘𝑢𝑙𝑎𝑟
MEAN GRADIENT
10 Juli 2014 Tugas Akhir – KI091391 44
Ekstraksi Fitur
Ekstraksi Fitur
Area
Energy
Mean Gradient
Standard Deviation Gradient
Intensity Variation
Mean Intensity
Vessel Segment
10 Juli 2014 45
Dihitung dengan gradient magnitude dan mean gradient dari intensitas piksel vaskular pada green channel.
𝑠𝑡𝑑𝑒𝑣 𝑔𝑟𝑎𝑑𝑖𝑒𝑛𝑡 = (𝑔𝑟𝑎𝑑𝑖𝑒𝑛𝑡 𝑚𝑎𝑔𝑛𝑖𝑡𝑢𝑑𝑒−𝑚𝑒𝑎𝑛 𝑔𝑟𝑎𝑑𝑖𝑒𝑛𝑡)2
𝑗𝑢𝑚𝑙𝑎ℎ 𝑝𝑖𝑘𝑠𝑒𝑙 𝑣𝑎𝑠𝑘𝑢𝑙𝑎𝑟
STANDARD DEVIATION GRADIENT
Dilakukan normalisasi intensitas piksel vaskular pada green channel.
𝑛𝑜𝑟𝑚 =𝑖𝑛𝑡𝑒𝑛𝑠𝑖𝑡𝑎𝑠−𝑚𝑒𝑎𝑛 𝑖𝑛𝑡𝑒𝑛𝑠𝑖𝑡𝑎𝑠
𝑠𝑡𝑑𝑒𝑣 𝑖𝑛𝑡𝑒𝑛𝑠𝑖𝑡𝑎𝑠
𝑚𝑒𝑎𝑛 𝑖𝑛𝑡𝑒𝑛𝑠𝑖𝑡𝑎𝑠 = 𝑖𝑛𝑡𝑒𝑛𝑠𝑖𝑡𝑎𝑠
𝑗𝑢𝑚𝑙𝑎ℎ 𝑝𝑖𝑘𝑠𝑒𝑙 𝑣𝑎𝑠𝑘𝑢𝑙𝑎𝑟
𝑠𝑡𝑑𝑒𝑣 𝑖𝑛𝑡𝑒𝑛𝑠𝑖𝑡𝑎𝑠 = (𝑖𝑛𝑡𝑒𝑛𝑠𝑖𝑡𝑎𝑠−𝑚𝑒𝑎𝑛 𝑖𝑛𝑡𝑒𝑛𝑠𝑖𝑡𝑎𝑠)2
𝑗𝑢𝑚𝑙𝑎ℎ 𝑝𝑖𝑘𝑠𝑒𝑙 𝑣𝑎𝑠𝑘𝑢𝑙𝑎𝑟
𝑚𝑒𝑎𝑛 𝑖𝑛𝑡𝑒𝑛𝑠𝑖𝑡𝑦 = 𝑛𝑜𝑟𝑚
𝑗𝑢𝑚𝑙𝑎ℎ 𝑝𝑖𝑘𝑠𝑒𝑙 𝑣𝑎𝑠𝑘𝑢𝑙𝑎𝑟
MEAN INTENSITY
Ekstraksi Fitur
Ekstraksi Fitur
Area
Energy
Mean Gradient
Standard Deviation Gradient
Intensity Variation
Mean Intensity
Vessel Segment
10 Juli 2014 Tugas Akhir – KI091391 46
Intensity variation perbandingan antara mean intensitas dan standard deviation intensitas.
𝑖𝑛𝑡𝑒𝑛𝑠𝑖𝑡𝑦 𝑣𝑎𝑟𝑖𝑎𝑡𝑖𝑜𝑛 =𝑚𝑒𝑎𝑛 𝑖𝑛𝑡𝑒𝑛𝑠𝑖𝑡𝑎𝑠
𝑠𝑡𝑑𝑒𝑣 𝑖𝑛𝑡𝑒𝑛𝑠𝑖𝑡𝑎𝑠
INTENSITY VARIATION
Vessel segment jumlah segmen pembuluh
darah citra hasil segmentasi.
Didapatkan dengan analisis connected component
Jika piksel tetangga memiliki intensitas yang sama, maka piksel tetangga tersebut akan dilabeli sebagai piksel yang terdapat pada satu region (objek yang sama)dengan piksel tersebut.
Vaskular abnormal memiliki jumlah segmen lebih banyak dibandingkan vaskular normal.
VESSEL SEGMENT
Perbaikan Ruang Fitur
Scatter matrix dalam kelas (within) dan antarkelas (between) masing-masing dihitung dengan:
Dimana . , . adalah fungsi jarak Euclidean dan 𝑊𝑖,𝑗𝑤 serta 𝑊𝑖,𝑗
𝑏
akan dijelaskan pada persamaan berikut:
ℵ𝑤 =1
2 𝑊𝑖,𝑗
𝑤 𝑣𝑖 , 𝑣𝑗
𝑛
𝑗=1
𝑛
𝑖=1
ℵ𝑏 =1
2 𝑊𝑖,𝑗
𝑏 𝑣𝑖 , 𝑣𝑗
𝑛
𝑗=1
𝑛
𝑖=1
𝑊𝑖,𝑗𝑤 = 𝑒𝑥𝑝
𝑣𝑖 , 𝑣𝑗2
𝜍𝑖𝜍𝑗∗1
𝑛𝑘 𝑖𝑓𝑓 𝑣𝑖 ∧ 𝑣𝑗 ∈ 𝐶𝑘
0 𝑜𝑡𝑒𝑟𝑤𝑖𝑠𝑒
𝑛𝑘 : jumlah anggota kelas 𝐶𝑘 𝜍𝑖 : jarak rata-rata dari sampel 𝑣𝑖 dengan k tetangga terdekat. k=7
𝑊𝑖,𝑗𝑏 =𝑒𝑥𝑝
𝑣𝑖 , 𝑣𝑗2
𝜍𝑖𝜍𝑗∗1
𝑛−1
𝑛𝑘 𝑖𝑓𝑓 𝑣𝑖 ∧ 𝑣𝑗 ∈ 𝐶𝑘
1
𝑛 𝑜𝑡𝑒𝑟𝑤𝑖𝑠𝑒
47
Klasifikasi
10 Juli 2014
LVQ melakukan perubahan nilai bobot pada lapisan kompetitif secara berulang.
Lakukan penghitungan jarak Euclidean antara data masukan (vektor training) dengan semua vektor bobot pada lapisan kompetitif.
Jarak Euclidean terkecil dari suatu bobot neuron menjadikan neuron tersebut adalah neuron terdekat.
Hasilkan output dari layer kompetitif dimana untuk neuron terdekat bernilai 1 dan yang lain 0.
Tentukan output dari lapisan linier dengan mengalikan output layer kompetitif dengan bobot lapisan linier. Jika output sesuai dengan target, maka:
Untuk neuron terdekat ubah bobot sehingga bobot semakin
mendekati nilai vektor training.
Untuk neuron lain ubah bobot sehingga bobot semakin menjauhi nilai
vektor training.
Jika tidak ada perubahan lagi pada nilai bobot atau iterasi telah mencapai nilai tertentu, maka hentikan interasi.
Tugas Akhir – KI091391
Δ𝑤.𝑗∗(1)= 𝛼 𝑥 − 𝑤.𝑗∗
(1)
Δ𝑤.𝑗∗(1)= −𝛼 𝑥 − 𝑤.𝑗∗
(1)
48
Klasifikasi
10 Juli 2014 Tugas Akhir – KI091391 49
.
.
.
.
. .
Input layer Competitive layer Output layer
Uji Hasil Segmentasi
10 Juli 2014
Uji kebenaran citra hasil segmentasi dilakukan dengan evaluasi nilai error menggunakan confusion matrix berikut.
Evaluasi uji kebenaran dilakukan dengan menghitung nilai error.
Hasil Segmentasi Ground Truth
Segmen vaskular Latar gambar Segmen vaskular TP FP
Latar gambar FN TN
𝑒𝑟𝑟𝑜𝑟 =𝐹𝑃 + 𝐹𝑁
𝑇𝑃 + 𝐹𝑃 + 𝐹𝑁 + 𝑇𝑁
Tugas Akhir – KI091391 50
Uji Hasil Klasifikasi
10 Juli 2014
Uji kebenaran dilakukan dengan evaluasi performa menggunakan confusion matrix berikut.
Nilai performa diperoleh dengan menghitung nilai error.
Tugas Akhir – KI091391
Prediksi Kenyataan
Abnormal Normal Abnormal TN FN Normal FP TP
𝑒𝑟𝑟𝑜𝑟 =𝐹𝑁 + 𝐹𝑃
𝑇𝑁 + 𝐹𝑁 + 𝐹𝑃 + 𝑇𝑃
51